AI 落地方法论

2.4 万亿参数 Qwen3.8-Max 重磅上线：能自研框架、开放权重，国产 AI 再迈关键一步

2026 年 8 月 5 日 · JOTO 团队 · 12 分钟阅读

千问全新大模型 Qwen3.8-Max 上线，2.4 万亿参数可独立完成完整软件开发，推理定价仅海外头部模型四分之一。官方宣布下周开放权重，不过超大体量难以本地部署，复杂软件工程等能力仍有明显短板，理性看待新模型红利。

2026 年 8 月 3 日周日，科技圈同一天爆出两条重磅消息：一边DeepSeek-V4-Flash靠着低廉推理成本刷屏全网，另一边阿里千问团队悄悄推出重磅新模型 ——Qwen3.8-Max。这款 2.4 万亿参数的大模型不仅对外开放 Max 规格完整权重，更亮眼的是，它只用 16 天从零搭建出一套完整开源 Agent 开发框架。
消息放出当天，阿里港股大涨 7.26%，市值冲到 2.41 万亿港元；美股同步上涨超 4%。资本市场用股价给出了直接反馈，但背后更值得深究的是一个核心问题：当一款万亿级大模型既能拿下各大评测榜单高分，还能自主写代码、提交迭代、修复程序漏洞，AI 行业的比拼逻辑，是不是已经彻底变了？

现状：Qwen3.8-Max到底强在哪？

先看实打实的硬件与架构数据。Qwen3.8-Max 基于 Qwen 3.5 架构打造，采用稀疏 MoE 搭配混合注意力机制，整体总参数 2.4 万亿，实际激活运行仅 950 亿参数，原生支持百万 token 超长上下文窗口与多模态视觉解析。

8 月 3 日更新的 Arena 榜单，它的综合表现全部冲进前五，国产模型里还是头一回做到：

榜单排名得分Text Arena单模型第5 / 实验室第21496分CodeArena (WebDev)单模型第4 / 实验室第31668分Vision Arena第21305分

再看主流专业基准测试，优势项十分突出：

基准Qwen3.8-Max对比PaperBench93.0高于Fable 5的88.8OSWorld-Verified86.1参评模型首位BabyVision（无工具）82.0超出部分主流模型近2倍GPQA Diamond92.6—Agent's Last Exam52.4前沿水平参数化CAD91.5超过Fable 5、GPT-5.6 Sol、Gemini 3.1 Pro

Qwen3.8-Max 在 16 项基准上与主流模型的对比

核心优势一目了然：论文研读、电脑系统操作、工业建模都是它的王牌，多项测试直接登顶参评榜单。
不过它并非全面碾压所有海外顶尖模型，短板同样清晰：SWE-bench 专业软件工程仅 67.7 分，和 Fable 5 相差 12 分；终端指令操作、长视频理解两项，也小幅落后 GPT-5.6 Sol。强弱一目了然，全部用测试数据说话。

下面从四个核心角度，把这款新模型拆解清楚。

核心拆解：四个维度看Qwen3.8-Max

🤖 维度一：16天自主编程——AI给自己写了个"大脑操作系统"

这可能是整场发布中最具想象力的部分。

Qwen团队让Qwen3.8-Max从一个空文件夹开始，自主创建了一个叫oh-my-cli的项目——一个自进化的agent harness。整个过程持续约16天，截至7月30日。

产出数据：

指标数量Commits265个Pull Requests127个Issues151个

这不是简单的代码生成。Qwen3.8-Max用的是一套叫Loop Engineering的方法论：

• issue状态机：每个任务从 ready → leased → active → E2E测试+CI检查 → PR合并，完整的状态流转
• dispatcher + monitor + watchdog：三重保障，异常状态自动回传修复
• 自测试体系：Build / UnitTest / E2E / Desktop Lifecycle全覆盖
• 多源进化：社区反馈 + 用户反馈 + 开发者反馈，全部转化为可执行任务

换句话说，它不只是写代码，它是在管理一个软件项目。提issue、领任务、写代码、跑测试、提PR、合并——一个人干完了整个开发团队的活。

而且，oh-my-cli已经完全开源：GitHub仓库 qwen-code-dev-bot/oh-my-cli。支持 /goal、/resume、Dynamic Workflow、Session Replay、Desktop等功能。

更关键的是，这种能力不是只在自己造的 harness 上才有效——Qwen3.8-Max 在 Claude Code、Codex、OpenCode、Hermes、QoderWork 等主流 Agent 框架上同样能跑出接近甚至超越其他专用模型的表现。

Qwen3.8-Max 在 5 大主流 Agent 框架上的泛化表现

（图：Qwen3.8-Max 在 CoWorkBench / WorkspaceBench / JobBench 三个跨框架基准上，与 Fable 5、Opus 4.8、Qwen 3.7 Max 的对比。Qwen3.8-Max 在 OpenCode、Hermes 等 5 种 harness 上都拿下了领先成绩。来源：阿里云官方博客）

这让人想起7月17日Kimi K3发布时讨论过的"万亿参数开源"趋势。如果说Kimi K3证明了万亿参数可以开源，Qwen3.8-Max则证明了万亿参数模型可以自主构建工具链——从"被使用"到"自己造工具"，这是一个质变。

✨ 维度二：125小时自主研究——不止会写代码，还会做科研

16天编程之外，Qwen3.8-Max还花了约125小时做自主研究。

任务很硬核：复现研究论文实验，然后工程化新方法，超越原始论文。

目标论文是《Unified Data Selection for LLM Reasoning》，主题是"AI训练中哪些数据样本值得保留"。结果呢？在AIME24上提升了2.7分。

更夸张的是量化工作流：约330个子Agent协调，约6000次因子回测。

这是什么概念？相当于一个量化研究员团队几个月的工作量，它用子Agent集群在短时间内跑完了。你把330个子Agent想象成330个实习生同时干活，每个负责一个因子回测的切片，最后汇总结果——只不过它们不需要吃饭睡觉。

还有两个实验值得一提：

实验能力展示亮点RecreationBench无互联网、无源码的黑盒环境重建应用纯交互反馈+视觉反馈，前沿混合Agent能力WWW2025竞赛多模态对话意图识别挑战赛超越人类参赛者

RecreationBench尤其有意思。想象一下：你给它一个APP，不给源码，不让它上网，它纯靠"点一点、看一看"就把这个APP复刻出来。这已经不是简单的代码生成了，而是逆向工程+视觉理解+代码重建的复合能力。

支撑这一切的，是阿里在训练阶段对 RL 训练环境的规模扩展。看下面这张图——随着训练环境数量从 0 增加到 4000+，综合 Score Index 从 0.474 一路爬升到 0.725（最佳 Checkpoint），之后才略有回落。

Qwen3.8-Max 综合 Score Index 随 RL 训练环境数量的变化

（图：Qwen3.8-Max 在 10+ 项基准上的综合 Score Index 随 RL 训练环境数量（0→5000）的变化曲线。最佳 Checkpoint 出现在 4000 个环境附近，综合得分相对 SFT 基线（0.474）提升了约 53%。来源：阿里云官方博客）

这就是所谓的 "Joint Scaling of RL Environments and Compute"——把环境规模和算力一起扩，模型在多种 Agent 框架上的综合能力才能稳定提升。这也是 Qwen3.8-Max 能在不同 harness 上都跑出好成绩的底层原因。

🏆 维度三：首次开放Max级权重——但别急着兴奋

Qwen团队宣布，下周在Hugging Face和ModelScope上开放Qwen3.8-Max的权重，同时开源Qwen3.8-27B。

这是首次开放Max级模型权重，意义重大。

但冷静算一笔账：2.4万亿参数，4-bit量化后约1.2TB。这是什么概念？一台顶配的8×H100服务器，显存也就约640GB。普通团队根本无法本地部署。

所以，真正对大多数团队有意义的，是Qwen3.8-27B。这个体量才是能实际跑起来的模型。Max级权重的开放更多是象征意义和科研价值——它让全世界的研究者可以拆解一个2.4万亿参数模型的内部结构，研究MoE路由策略、专家分布、注意力机制的设计选择。

一言以蔽之：Max版看API，27B版看本地，别搞混了。

💰 维度四：定价——比Opus 5便宜多少？

说完了能力，说钱。Qwen3.8-Max的定价策略相当激进：

项目国内（¥/百万Token）国际（$/百万Token）输入¥12$2输出¥36$6隐式缓存命中¥1.5$0.25

关键对比：国际输入价格仅为Opus 5的40%，输出价格仅为24%。隐式缓存命中更是只有输入的1/8。

如果你之前看过本号Dify API接入和vLLM自部署的实战文章，应该对这个价格敏感。这意味着你可以用不到四分之一的输出成本，获得一个Arena排名前五的模型能力。

当然，27B开源版才是自部署的真正选择。Max版走API，27B版走本地，双线并行——这大概是当前最优的搭配策略。

对你的影响：该不该上车？

分三种情况说：

你是开发者/技术团队：27B开源版值得第一时间关注。下周Hugging Face和ModelScope同步发布，拿到权重后可以跑benchmark，对比你当前在用的模型。如果你的场景偏代码生成和Agent编排，Qwen3.8-Max的API值得接入测试——尤其价格优势明显，试错成本极低。

你是研究者：Max级权重首次开放，这是研究MoE架构和万亿参数模型内部机制的绝佳机会。同时，oh-my-cli项目本身就是研究Agent自主性的活教材——265个commit的完整历史，比任何论文都生动。你可以逐个commit追踪它的决策过程。

你是企业决策者：QwenWork同日发布，通过PC客户端和钉钉使用，是面向办公场景的Agent产品。如果你的组织在用钉钉生态，这可能是最低门槛的接入方式。不用碰代码，直接在钉钉里用。

冷静思考：6个不能忽视的问题

热度之下，有几个点必须说清楚：

1. SWE-bench Pro落后12分。 67.7 vs Fable 5的80.0，这是传统软件工程任务的核心benchmark。说明在复杂代码重构、多文件协作等场景，Qwen3.8-Max仍有明显差距。自主编程16天的产出很惊艳，但SWE-bench Pro的数据提醒你：实验室的自主项目和真实的软件工程，不是一回事。

2. TerminalBench和VideoMME未达领先。 终端操作86.6（低于GPT-5.6 Sol的88.8）和视频理解68.3（低于71.1），这两个方向Qwen3.8-Max还没追上头部。

3. 2.4T权重，部署不了。 前面算过了，1.2TB的4-bit量化，普通团队想都别想。别被"开放权重"四个字冲昏头脑，27B才是你的菜。

4. Arena排名含系统调优加成。 实验室排名和纯模型能力排名是两回事。系统层面的优化（检索增强、工具调用编排等）会拉高Arena得分，这不完全等于裸模型能力。看单模型排名更客观。

5. 自主编程16天的产出质量需社区检验。 265个commit、127个PR听起来很美，但代码质量、架构合理性、可维护性如何，需要等社区实际review之后才能下结论。数量不等于质量。

6. 开源承诺尚未兑现。 "下周发布"不等于"已经发布"。在权重真正上线Hugging Face之前，一切都还是承诺。技术圈见过太多"下周开源"变成"下个月"甚至"下次一定"。

写在最后

把Qwen3.8-Max放进更大的时间线里看：

• 7月7日，GPT-5.6发布，中美AI竞赛进入新阶段
• 7月17日、27日，Kimi K3两次更新，万亿参数开源成为趋势
• 8月3日，DeepSeek-V4-Flash和Qwen3.8-Max同日发布，中国模型集体突破

Qwen3.8-Max的真正意义，不在于某个benchmark的分数，而在于它同时做了三件事：把万亿参数模型的权重开放出来、把模型能力的边界推到自主编程和自主研究、把价格压到了竞品的四分之一。

这三件事叠加在一起，传递的信号很清晰：AI竞争已经从"谁的模型更聪明"进入"谁的模型更自主、更开放、更普惠"。

16天自主编程写出一个开源Agent框架，这件事本身或许比任何benchmark都更能说明问题——当AI开始给自己写工具，人类的角色，是不是正在悄悄改变？

这个问题，留给每一个正在用AI的你。

参考资料

1. Qwen3.8-Max官方发布文档，阿里巴巴千问团队，2026年8月3日
2. Arena官方榜单，2026年8月3日放榜
3. GitHub仓库：qwen-code-dev-bot/oh-my-cli
4. 论文：《Unified Data Selection for LLM Reasoning》
5. 阿里巴巴港股/美股市场数据，2026年8月3日
6. 往期关联阅读：DeepSeek-V4-Flash深度解读（8/3）、Kimi K3系列解读（7/17、7/27）、GPT-5.6系列解读（7/7、7/30、8/3）、Dify API接入实战、vLLM自部署指南